引入常用的python库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
catering_sale = r'G:\WECHAT\WeChat Files\wxid_op0z9xixesag22\FileStorage\File\2023-02\catering_sale.xls' # 餐饮数据
data = pd.read_excel(catering_sale, index_col = u'日期') # 读取数据，指定“日期”列为索引列
print(data)
print(data.describe(),data.describe().max()-data.describe().min())
# 代码3-2 餐饮销额数据异常值检测
import matplotlib.pyplot as plt # 导入图像库
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.figure() # 建立图像
p = data.boxplot(return_type='dict') # 画箱线图，直接使用DataFrame的方法
x = p['fliers'][0].get_xdata() # 'flies'即为异常值的标签
y = p['fliers'][0].get_ydata()
y.sort() # 从小到大排序，该方法直接改变原对象
'''
用annotate添加注释
其中有些相近的点，注解会出现重叠，难以看清，需要一些技巧来控制
以下参数都是经过调试的，需要具体问题具体调试。
'''
for i in range(len(x)):
if i>0:
plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.05 -0.8/(y[i]-y[i-1]),y[i]))
else:
plt.annotate(y[i], xy = (x[i],y[i]), xytext=(x[i]+0.08,y[i]))
plt.show() # 展示箱线图
销量 count 200.000000 mean 2755.214700 std 751.029772 min 22.000000 25% 2451.975000 50% 2655.850000 75% 3026.125000 max 9106.440000 销量 9084.44
箱线图可以看出数据的四分之一位、四分之三位、中位的数据，也可以看出数据的集中程度。
catering_sale = r'G:\WECHAT\WeChat Files\wxid_op0z9xixesag22\FileStorage\File\2023-02\catering_sale.xls'
data0 = pd.read_excel(catering_sale,index_col='日期')
print(data0.describe())
data = pd.read_excel(catering_sale,names=['date','sale'])
bins = [0,500,1000,1500,2000,2500,3000,3500,4000]
labels = ['[0,500)','[500,1000)','[1000,1500)','[1500,2000)','[2000,2500)','[2500,3000)','[3000,3500)','[4000,4500)']
data['sale分层'] = pd.cut(data.sale,bins,labels=labels)
aggResult = data.groupby(by=['sale分层'])['sale'].agg([('sale',np.size)])
pAggResult = round(aggResult/aggResult.sum(),2,)*100
plt.figure(figsize=(15,10))
pAggResult['sale'].plot(kind='bar',width=0.8,fontsize=10)
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.title('季度销售 3132',fontsize=20)
plt.show()
频数分布直方图可以看出哪些区间的数据多，从该频数分布直方图可以看出数据集中在2000到3500之间。
catering_dish_profit = 'G:\\WECHAT\\WeChat Files\\wxid_op0z9xixesag22\\FileStorage\\File\\2023-02\\catering_dish_profit(1).xls' # 餐饮数据
data = pd.read_excel(catering_dish_profit) #读取数据
#绘制饼图
x=data['盈利']
labels=data['菜品名']
plt.figure(figsize=(8,6)) #设置画布大小
plt.pie(x,labels=labels) #绘制饼图
plt.rcParams['font.sans-serif']='SimHei'
plt.title('菜品销售量分布(饼图)3132') #设置标题
plt.axis('equal')
plt.show()
饼图可以看出目标分类的占比情况
data = pd.read_excel(r'G:\data\data\dish_sale.xls')
plt.figure(figsize=(8,4))
plt.plot(data['月份'],data['A部门'],color='green',label='A部门',marker='o')
plt.plot(data['月份'],data['B部门'],color='red',label='B部门',marker='s')
plt.plot(data['月份'],data['C部门'],color='skyblue',label='C部门',marker='x')
plt.legend()
plt.ylabel('销售额（万元）3132')
plt.show()
data = pd.read_excel(r'G:\data\data\dish_sale_b.xls')
plt.figure(figsize=(8,4))
plt.plot(data['月份'],data['2012年'],color='green',label='2012年',marker='o')
plt.plot(data['月份'],data['2013年'],color='red',label='2013年',marker='s')
plt.plot(data['月份'],data['2014年'],color='skyblue',label='2014年',marker='x')
plt.legend()
plt.ylabel('销售额（万元）3132')
plt.show()
折现图可以很好的观察数据的趋势以及变化情况。方便用户通过数据推测整体的趋势。
df_normal = pd.read_csv(r'G:\data\data\user.csv')
plt.figure(figsize=(8,4))
plt.plot(df_normal["Date"],df_normal["Eletricity"])
plt.xlabel("日期")
x_major_locator = plt.MultipleLocator(7)
ax = plt.gca()
ax.xaxis.set_major_locator(x_major_locator)
plt.ylabel("每日电量3132")
plt.title("正常用户电量趋势3132")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.show()
df_steal = pd.read_csv(r'G:\data\data\Steal user.csv')
plt.figure(figsize=(10,9))
plt.plot(df_steal["Date"],df_steal["Eletricity"])
plt.xlabel("日期")
plt.ylabel("日期")
x_major_locator = plt.MultipleLocator(7)
ax = plt.gca()
ax.xaxis.set_major_locator(x_major_locator)
plt.title("窃电用户电量趋势3132")
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.show()
周期性分析可以观测数据的一个周期变化。例如每个季度周期变化，月度周期变化，甚至更短的天数、小时周期性变化。
dish_profit = r'G:\data\data\catering_dish_profit.xls'
data = pd.read_excel(dish_profit, index_col = '菜品名')
data = data['盈利'].copy()
data.sort_values(ascending=False)
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号
plt.figure()
data.plot(kind='bar')
plt.ylabel('盈利（元）3132')
p = 1.0*data.cumsum()/data.sum()
p.plot(color = 'r',secondary_y=True, style='-o', linewidth=2)
plt.annotate(format(p[6], '.4%'), xy=(6,p[6]),xytext=(6*0.9,p[6]*0.9), arrowprops=dict(arrowstyle='->',connectionstyle="arc3,rad=.2"))
plt.ylabel('盈利（比例）3132')
plt.show()
贡献度分析，对于一个企业来说有80%的利润来于20%的商品剩下20%的利润只产生余下80%的产品。例如上图我们应加大A1~A7的成本投入减少A8~A10的投入来提高利润。
python画图
sin函数图
x = np.linspace(0,2*np.pi,50)
y=np.sin(x)
plt.plot(x,y,'b-*')
plt.show()
指数变化图
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
x = pd.Series(np.exp(np.arange(20)))
plt.figure(figsize=(8,9))
ax1 = plt.subplot(2,1,1)
x.plot(label='原始数据图3132',legend=True)
ax1 = plt.subplot(2,1,2)
x.plot(logy=True,label='对数数据图3132',legend=True)
plt.show()
标签：plot,plt,python,画图,sale,pd,3132,数据处理,data From： https://www.cnblogs.com/Doctor-Schnabel/p/17156716.html